《Fisheries Management and Ecology》：Using Long-Term Monitoring Data to Assess Temporal Patterns in Fish Community Assemblages in Florida Lakes
编辑推荐：
为提高鱼类群落数据对管理工作的相关性，研究人员利用鱼类群落数据对佛罗里达州淡水渔业资源开展了全州尺度评估，并比较了环境因子与淡水鱼类群落关系随时间的变化。研究所用鱼类群落重量和数量数据来源于佛罗里达州长期监测（LTM）项目在2006年至2021年间采样的21个
为提高鱼类群落数据对管理工作的相关性，研究人员利用鱼类群落数据对佛罗里达州淡水渔业资源开展了全州尺度评估，并比较了环境因子与淡水鱼类群落关系随时间的变化。研究所用鱼类群落重量和数量数据来源于佛罗里达州长期监测（LTM）项目在2006年至2021年间采样的21个湖泊。结果表明，这些湖泊中的游钓鱼类（gamefish）与非游钓鱼类（nongamefish）群落集合可能具有动态性，而这些差异与地方尺度（如水深）、湖泊尺度（如营养状态指数，TSI）以及区域尺度（如年平均日降水量）变量有关。尽管湖泊之间存在一定相似性，但鱼类群落集合格局及其与这些变量之间的关系往往特定于单个湖泊或某些湖泊子群，这表明在大空间尺度上刻画鱼类群落的现状及其时间格局具有挑战性。
该文发表于《Fisheries Management and Ecology》，围绕佛罗里达州湖泊淡水鱼类群落在长期尺度上的变化规律及其管理意义展开。研究背景在于，淡水生态系统同时受到过度开发、水污染、生境退化、水文过程改变和物种入侵等多重压力，而这些压力又叠加区域气候变暖、极端天气增强等更高尺度过程，使淡水鱼类群落结构与功能发生改变。相较河流系统，湖泊生态系统常被视为相对稳定，因此关于湖泊鱼类群落长期动态的研究较少；然而既往研究已显示，湖泊同样存在显著年际波动，并可能与富营养化、生境退化等过程密切相关。佛罗里达州拥有数量众多且生态差异显著的湖泊，淡水渔业不仅具有重要经济价值，也承载维系营养循环、食物网联结和种群调控等关键生态功能。在此背景下，开展基于长期监测（LTM）的全州尺度分析，对于理解鱼类群落时间变化、提升监测数据在资源管理中的应用价值具有现实必要性。
研究人员基于佛罗里达鱼类与野生动物保护委员会（FWC）自2006年实施的长期监测项目，对21个湖泊2006—2021年秋季电捕数据进行分析，重点考察游钓鱼类与非游钓鱼类群落在早期（2006—2010年）、中期（2011—2015年）和晚期（2016—2021年）三个阶段的时间变化，并进一步识别驱动群落差异的关键物种以及与之相关的环境因子。研究结果显示，佛罗里达湖泊鱼类群落并非静态不变，而是在地方尺度、湖泊尺度和区域尺度多因素共同作用下呈现复杂而异质的动态格局。总体而言，非游钓鱼类群落比游钓鱼类群落表现出更频繁、更明显的时间变化；水深是最常被识别出的解释变量，而营养状态指数、碱度、积温日数和年平均日降水量等变量也在部分湖泊中具有解释作用。该研究的重要意义在于证明：长期鱼类群落数据不仅可用于单一目标鱼种评估，还可支撑群落层面、生态系统层面的管理研判，为湖泊淡水渔业资源状态评估与监测优化提供依据。
研究所用主要技术方法可概括为以下几类。首先，样本来源于佛罗里达州21个湖泊2006—2021年秋季标准化船载电捕（electrofishing）长期监测数据，分别整理鱼类数量与重量信息。其次，采用非度量多维尺度分析（NMDS，用于展示群落相似性）、置换多元方差分析（PERMANOVA，用于检验不同时段群落结构差异）和相似性百分比分析（SIMPER，用于识别造成差异的关键物种）刻画时间格局。再次，整合地方尺度、湖泊尺度和区域尺度环境变量，利用基于距离的线性模型（DistLM）筛选解释群落差异的关键因子，并结合基于距离的冗余分析（dbRDA）和主坐标分析（PCoA）验证模型对数据结构的解释效果。
在研究结果方面，论文首先指出鱼类群落时间格局具有明显的湖泊特异性和数据类型差异。无论采用数量数据还是重量数据，不同湖泊的群落变化方向并不一致。对游钓鱼类群落而言，“三个时期之间无显著差异”是最常见模式，分别占基于数量和重量分析湖泊数的33%与38%；其次是早期与后两个时期不同，或晚期与前两个时期不同。这说明部分湖泊中的游钓鱼类群落总体较为稳定，但仍有相当比例湖泊表现出阶段性变化。与之相比，非游钓鱼类群落在晚期与前期之间出现差异是最常见模式，且比例更高，表明该类群对环境波动或监测条件变化可能更为敏感，群落动态性更强。
关于造成群落时间差异的关键物种，研究识别出26个对时间段间群落差异具有中等到较高贡献的物种。游钓鱼类群落在不同时段间的差异程度整体低于非游钓鱼类群落，且数量数据与重量数据中反复出现的关键物种更为一致。蓝鳃太阳鱼（Bluegill，Lepomis macrochirus）和红耳太阳鱼（Redear Sunfish，Lepomis microlophus）是游钓鱼类数量数据中最常见的重要贡献种；佛罗里达黑鲈（Florida Bass，Micropterus salmoides）和红耳太阳鱼则是重量数据中的主要贡献种。对于非游钓鱼类群落，细鳞西鲱（Threadfin Shad，Dorosoma petenense）是数量数据中最主要的差异贡献种，而在重量数据中，弓鳍鱼（Bowfin，Amia calva）、佛罗里达雀鳝（Florida Gar，Lepisosteus platyrhincus）、金色鲦鱼（Golden Shiner，Notemigonus crysoleucas）和湖吸鳅（Lake Chubsucker，Erimyzon sucetta）更为重要。研究同时指出，若干外来种，尤其蓝罗非鱼（Blue Tilapia，Oreochromis aureus），在部分湖泊非游钓鱼类群落差异中也具有显著贡献，提示外来种可能参与塑造湖泊群落的长期变化格局。
在鱼类群落与环境变量关系方面，研究通过DistLM显示，环境解释变量可在12至20个湖泊中构建出简约而显著的模型。对于游钓鱼类与非游钓鱼类，不同模型通常包含1至3个或1至2个环境变量，单个变量可分别解释9%—38%和11%—46%的群落变异。地方尺度变量在最终模型中出现频率最高，其中以水深最为突出；水体电导率和植被覆盖度也在部分模型中发挥作用。湖泊尺度变量中，碱度和营养状态指数（TSI）对多个湖泊具有解释力；区域尺度变量虽然总体纳入频率较低，但生长度日（GDD）和年平均日降水量（PPT）仍是最常见的区域预测因子。溶解氧未被任何模型选中，说明在常规秋季电捕条件下，该变量并非解释群落时间差异的核心因素。研究进一步指出，年份作为连续固定预测变量纳入全部模型后，平均还能额外解释22%的变异，这意味着除显式纳入的环境因子外，时间本身及其未被直接测量的伴随变化同样重要。
论文还比较了数量数据与重量数据在群落刻画上的差异。结果表明，基于重量的数据往往涉及更多起作用的物种，因此更能反映生物量结构层面的变化；而数量数据在不同时期间往往表现出更大的群落差异度。对于游钓鱼类，基于重量数据识别出的关键物种数多于数量数据。与此同时，虽然水深在两类数据中都是常见影响因子，但重量数据对应的群落差异还更常与湖泊尺度因子，特别是营养状态指数和碱度相关。这说明数量与重量两类指标具有互补性：前者更敏感于个体数波动，后者更能体现群落生物量重组和湖泊营养背景的影响，因此在长期监测中同时保留两类数据具有明显价值。
论文讨论部分强调，本研究最核心的认识是：佛罗里达湖泊淡水鱼类群落在16年尺度上表现出复杂且异质的动态性，而这种动态性无法通过单一尺度或统一模式加以概括。尽管研究通过dbRDA与PCoA验证表明多数模型较好捕捉了数据结构，但单个预测变量通常解释的变异比例仍不足30%，且对于某些湖泊与某类群组合，未能筛选出显著环境预测因子。这意味着鱼类群落变化还可能受到其他未纳入变量的共同驱动，例如更细致的生境结构指标、捕食性鱼类与外来鱼类的丰度和生物量等。研究人员同时指出，电捕法尽管已标准化，仍可能受到鱼体大小、可见性、群游行为以及水深、电导率等条件影响，因而群落变化中既可能包含真实生态信号，也可能混杂一定采样效率差异。即便如此，研究仍清楚表明地方条件对解释鱼类捕获格局具有关键作用，而湖泊尺度与区域尺度因子则在部分系统中叠加影响，体现出多尺度过程共同塑造湖泊鱼类群落的特征。
研究结论部分可译为：长期数据集对于理解淡水鱼类群落的时间变化并识别与这些变化相关的因素至关重要。在淡水渔业管理领域，针对以单一优先管理物种为主要关注对象的湖泊，长期鱼类群落数据相对少见。本研究表明，鱼类群落数据分析能够在管理语境下用于评估时间变化，并识别与这些变化相关的环境变量。除评估时间格局外，关于游钓鱼类群落（即蓝鳃太阳鱼、佛罗里达黑鲈和红耳太阳鱼）和非游钓鱼类群落（即饵料鱼类及大型捕食性鱼类）差异主要贡献物种的信息，还可用于帮助管理者就未来监测与评估作出决策。这些信息同样有助于向不同利益相关方传达淡水资源的状态。此外，研究结果表明，研究湖泊中基于电捕获得的鱼类群落结构与地方尺度因子的关系最为密切，尽管这些群落无疑还受到多个尺度上其他因素的影响，且这种影响方式在不同年份间可能存在差异。尽管存在这种复杂性，这些发现仍增进了对淡水渔业随时间变化的认识，并证明了在管理背景下分析群落数据的现实意义。对长期监测（LTM）的分析不仅显示鱼类群落数据能够为渔业管理者提供相关信息，也显示出持续采集长期鱼类群落数据的实用价值。
